来自 AI 研究立场图谱百科
机器人基础主义:相信通用机器人能力将来自在大规模、多样化真实机器人数据上训练的基座模型,数据靠部署飞轮源源不断地收集。
主张
机器人基础主义把基座模型那套配方用到了物理动作上,只加了一条倔强的修正:数据必须来自真实世界里的真实机器人。语言模型有互联网,机器人没有任何可比的东西,所以数据只能”造”出来:靠遥操作、靠成队部署的机器、靠跨实验室跨本体的数据集共享。在所有这些数据上训练一个大型 VLA policy,部署,收集更多数据,再训练。产出通用机器人的是这个飞轮,而不是某个巧妙的算法。
它位于图最右侧的 World 边缘附近,纵向靠近 Monolith 一端:一个通用 policy,只不过嵌在一整套数据采集和部署的运营体系里。范式等级为稳健:把机器人学当作 scaling 问题,与几十年手工设计控制器的传统决裂,却与今天的主流配方一致,同时对 scaling 所需的繁杂后勤保持务实。
论据
- 在大量真实示教数据上训练的 transformer policy,随着数据多样性增加,对新物体、新场景、新指令的泛化能力都在提升。
- 汇集多种机器人本体的数据能带来正迁移,每个实验室的数据都能帮到所有人的机器人。
- 真实数据彻底绕开了 sim-to-real gap:policy 学到的正是机器人将要面对的。
批评
- 真实数据又慢又贵;即使是大型机器人数据集,和网络文本比起来也微不足道,scaling 可能会停滞。
- sim-to-real 派认为,仿真能以更低成本提供多出几个数量级的经验,而且失败是安全的。
- 模仿示教数据,性能上限就是示教者的水平,遇到新的错误也很难自行恢复。
代表作
- RT-1: Robotics Transformer for Real-World Control at Scale2022
- Open X-Embodiment: Robotic Learning Datasets and RT-X Models2023
- π0: A Vision-Language-Action Flow Model for General Robot Control2024
关系
怎样测出它
在完整版或专业版里落到这一格:x ≈ +0.99,y ≈ +0.74,范式 ≈ −0.36。